最近我正在研究一个小型爬虫,用于在网址上下载图像。
我在urllib2中使用openurl()和f.open()/ f.write():
以下是代码段:
# the list for the images' urls
imglist = re.findall(regImg,pageHtml)
# iterate to download images
for index in xrange(1,len(imglist)+1):
img = urllib2.urlopen(imglist[index-1])
f = open(r'E:\OK\%s.jpg' % str(index), 'wb')
print('To Read...')
# potential timeout, may block for a long time
# so I wonder whether there is any mechanism to enable retry when time exceeds a certain threshold
f.write(img.read())
f.close()
print('Image %d is ready !' % index)
在上面的代码中,img.read()可能会阻塞很长时间,我希望在这个问题上做一些重试/重新打开图像url操作。
我还关注上面代码的有效视角,如果要下载的图像数量有点大,使用线程池下载它们似乎更好。
有什么建议吗?提前谢谢。
P.S。我发现img对象上的read()方法可能会导致阻塞,因此单独向urlopen()添加timeout参数似乎没用。但我发现文件对象没有read()的超时版本。有什么建议吗?非常感谢。
答案 0 :(得分:2)
urllib2.urlopen
有一个timeout
参数,用于所有阻止操作(连接建立等)。
此片段取自我的一个项目。我使用线程池一次下载多个文件。它使用urllib.urlretrieve
,但逻辑是相同的。 url_and_path_list
是(url, path)
元组的列表,num_concurrent
是要生成的线程数,skip_existing
跳过文件系统中已存在的文件
def download_urls(url_and_path_list, num_concurrent, skip_existing):
# prepare the queue
queue = Queue.Queue()
for url_and_path in url_and_path_list:
queue.put(url_and_path)
# start the requested number of download threads to download the files
threads = []
for _ in range(num_concurrent):
t = DownloadThread(queue, skip_existing)
t.daemon = True
t.start()
queue.join()
class DownloadThread(threading.Thread):
def __init__(self, queue, skip_existing):
super(DownloadThread, self).__init__()
self.queue = queue
self.skip_existing = skip_existing
def run(self):
while True:
#grabs url from queue
url, path = self.queue.get()
if self.skip_existing and exists(path):
# skip if requested
self.queue.task_done()
continue
try:
urllib.urlretrieve(url, path)
except IOError:
print "Error downloading url '%s'." % url
#signals to queue job is done
self.queue.task_done()
答案 1 :(得分:1)
当您使用urllib2.urlopen()创建tje连接时,您可以提供超时参数。
如文档中所述:
可选的timeout参数指定超时(以秒为单位) 阻塞操作,如连接尝试(如果未指定,则 将使用全局默认超时设置)。这实际上只有作用 用于HTTP,HTTPS和FTP连接。
通过这种方式,您将能够管理最长等待时间并捕获引发的异常。
答案 2 :(得分:1)
我抓取大量文档的方法是让批处理器抓取并转储不断大小的块。
假设您要抓取一批已知的100K文档。您可以使用一些逻辑来生成1000个文档的常量大小的块,这些块将由线程池下载。对整个块进行爬网后,您可以在数据库中进行批量插入。然后再继续处理1000份文件,等等。
遵循这种方法可以获得优势:
您可以获得线程池提高抓取速度的优势。
在某种意义上它的容错能力,你可以从最后一次失败的大块继续。
您可以根据优先级生成块,即首先抓取的重要文档。因此,如果您无法完成整批。处理重要文件,下次运行后可以提取不太重要的文件。
答案 3 :(得分:0)
一个似乎有效的丑陋黑客。
import os, socket, threading, errno
def timeout_http_body_read(response, timeout = 60):
def murha(resp):
os.close(resp.fileno())
resp.close()
# set a timer to yank the carpet underneath the blocking read() by closing the os file descriptor
t = threading.Timer(timeout, murha, (response,))
try:
t.start()
body = response.read()
t.cancel()
except socket.error as se:
if se.errno == errno.EBADF: # murha happened
return (False, None)
raise
return (True, body)